传感器是当前公路工程中数据采集与监控的主要手段之一,然而在使用过程中时常出现的缺失值严重影响了传感器的监测效果及后续数据分析。目前多数传感器缺失值预测算法在设计时利用了传感器间的空间相关性或该传感器自身的时间相关性,具有一定的预测效果。KMRA算法(K-Nearest-Neighbor on Multiple Regression Algorithm)则采用了空间相关性及时间相关性结合预测的方法,不但大幅提高了预测准确率及算法的效率,同时具有更高的实用价值。当传感器v在时刻t出现缺失值时,KMRA首先确定v与邻居之间的相关系数,选择其中K个与v相关度最高的邻居节点,利用其相关系数进行t时刻的空间相关性预测,并形成空间相关性预测结果。其次,算法利用传感器v在监测过程中产生的时间序列,选取q/2个与t时刻相邻的数值,并分别设置不同的偏相关系数,通过多元回归的方法将偏相关系数与q个取值进行时间相关性预测。最后,在分别取得时、空相关性预测结果的基础上,算法通过样本决定系数将空间与时间两部分预测结果有机整合,形成最终预测结果。算法的试验在真实数据集上展开,将数据集中的实际数据作为缺失值进行预测,并与原数据比较以验证预测算法的准确率。在试验过程中,与其他相关算法进行了比较,试验结果显示,该算法在得出准确预测结果的同时,还能在效率上获得较大提高。
伴随车辆是公安刑侦部门对海量车辆通行信息检索的一类实战需求,目的是通过模糊条件查询得到潜在的结伴作案车辆,究其本质,可将此类查询转化为数据挖掘中关联规则挖掘问题。通过对公路车辆智能监测记录系统采集的过车数据进行分析,将伴随车辆查询转化为关联规则挖掘,利用数据挖掘技术对过车数据查询问题进行综合分析,实现高效率的伴随车辆查询算法AVD(Accompany Vehicles D iscovery)。算法分析表明,AVD不但能提供准确的伴随车辆查询结果,而且效率高、扩展性强,具有较高的可行性。
